Hubungi Kami

Kerangka Materi

Pengenalan Kontainerisasi untuk AI & ML

  • Konsep inti kontainerisasi
  • Mengapa kontainer ideal untuk beban kerja ML
  • Perbedaan utama antara kontainer dan mesin virtual

Bekerja dengan Gambar dan Kontainer Docker

  • Memahami gambar, lapisan, dan registrasi
  • Mengelola kontainer untuk eksperimen ML
  • Menggunakan CLI Docker secara efisien

Pengemasan Lingkungan ML

  • Menyiapkan kode basis ML untuk kontainerisasi
  • Mengelola lingkungan Python dan dependensi
  • Integrasi dukungan CUDA dan GPU

Membangun Dockerfile untuk Machine Learning

  • Mengstrukturkan Dockerfile untuk proyek ML
  • Praktik terbaik untuk performa dan kemudahan perawatan
  • Menggunakan multi-stage builds

Mengontainerkan Model dan Pipeline ML

  • Mengemas model terlatih ke dalam kontainer
  • Mengelola strategi data dan penyimpanan
  • Merangkai alur kerja end-to-end yang dapat direproduksi

Jalankan Layanan ML Berkontainer

  • Mengexpos endpoint API untuk inferensi model
  • Skala layanan dengan Docker Compose
  • Memantau perilaku runtime

Pertimbangan Keamanan dan Kepatuhan

  • Menjamin konfigurasi kontainer yang aman
  • Mengelola akses dan kredensial
  • Menangani aset ML rahasia

Merangkai ke Lingkungan Produksi

  • Menerbitkan gambar ke registrasi kontainer
  • Merangkai kontainer di setup on-prem atau cloud
  • Versioning dan pembaruan layanan produksi

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang alur kerja machine learning
  • Pengalaman dengan Python atau bahasa pemrograman serupa
  • Kenalan dengan operasi command-line Linux dasar

Audience

  • Insinyur ML yang merangkai model ke produksi
  • Ilmuan data yang mengelola lingkungan eksperimen yang dapat direproduksi
  • Pengembang AI yang membangun aplikasi berkontainer yang dapat diskalakan
 14 Jam

Jumlah Peserta


Harga per Peserta

Testimoni (3)

Kursus Mendatang

Kategori Terkait